Академический Документы
Профессиональный Документы
Культура Документы
3dinabusoft@gmail.com
*
Teknik Informatika, Institut Teknologi Nasional Bandung
Jalan P.H.H. Mustafa No.23 Bandung
2ichwan@itenas.ac.id
Abstract — Tomatoes sorting process by humans relatively less dan melakukan pemilihannya secara otomatis dengan
consistent in determining the ripe of tomato and unripe of automated sorting system [3].
tomato. This is due to several factors like human fatigue and Berdasarkan permasalahan tersebut muncul suatu ide
difference perception of each person. To solve this problem, this dalam membuat suatu sistem yang dapat memisahkan antara
research proposes a computer based system which can do the
sorting process that more consistent level of accuracy than by
buah yang sudah matang dan belum matang dengan
human. The sorting process of this system involve several phases memanfaatkan citra warna dari buah tersebut. Buah tersebut
like tomatoes image acquisition followed by cropping image berupa tomat yang akan dikenali melalui tahapan image pre-
process, HSV color image conversion and hitogram HSV. processing dengan meletakkan tomat tersebut pada Belt
Results HSV color conversion as a classification input to Conveyor. Tahapan image processing akan melakukan
determine ripeness level of tomatoes into ripe and unripe penyesuaian warna dari tomat yang telah matang terhadap
categories using Learning Vector Quantization (LVQ) method. tomat yang akan diuji tingkat kematangannya [4]. Sistem
The system is built by several supporting components such as yang dibuat juga memiliki sistem pengontrol yang akan
camera as an image acquisition and Belt Conveyor as a material memisahkan tomat yang telah matang dengan tomat yang
transfer. The result of the ripeness level recognition system test
based on the color image with Learning Vector Quantization
belum matang pada suatu wadah yang berbeda. Sistem yang
(LVQ) method was obtained the accuracy percentage of 83,75% dibangun diharapkan dapat menjadi solusi untuk mengenali
from 80 with tomato image acquisition done statically and tingkat kematangan tomat dan dapat di terapkan pada
83,33% from 48 with tomato image acquisition on belt conveyor. kehidupan bermasyarakat [5].
Sistem yang dibangun memiliki tiga subsistem yang
dikerjakan oleh orang yang berbeda. Subsistem tersebut
Keywords — Belt Conveyor, Camera, LVQ, Ripeness Level, diantaranya mengenai proses pengenalan tingkat kematangan
Tomatoes. tomat berdasarkan citra warna, pengenalan ukuran tomat
berdasarkan citra digital serta proses pemilihan tomat
I. PENDAHULUAN berdasarkan tingkat kematangan dan ukuran tomat. Adapun
Tingkat kematangan buah dapat dilihat dari beberapa keterangan lebih lanjut mengenai informasi pembagian
aspek yaitu dilihat dari warna, dilihat dari bentuk dan dilihat sistem yang dibangun direpresentasikan pada Tabel I.
dari aroma buah tersebut. Pada aspek warna, kematangan
buah dapat dilihat dengan menyesuaikan warna buah yang TABEL I
telah matang dan buah yang akan diuji tingkat PEMBAGIAN KERJA PER-SUB BAGIAN
kematangannya [1]. Namun, proses klasifikasi tingkat
kematangan tersebut juga dapat menyebabkan Nama Sistem Besar
Bagian
ketidakseragaman yang disebabkan oleh beberapa faktor Anggota Tim Yang Dibangun
seperti kelelahan yang dialami manusia, perbedaan persepsi
Mochamad Pengenalan Tingkat
antara yang satu dengan yang lainnya, dan keragaman visual Angga Automated Sorting
manusia [2]. Maka untuk memeriksa tingkat kematangan Kematangan tomat
Anggriawan Berdasarkan Citra System pada tomat
buah, perlu adanya suatu sistem yang dapat mengenali buah (152013073) Warna
sesuai dua kategori yaitu telah matang serta belum matang
550
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
TABEL I (LANJUTAN) • Objek penelitian berasal dari satu jenis tomat yaitu
PEMBAGIAN KERJA PER-SUB BAGIAN
varietas ‘tw’.
Nama Anggota
Bagian
Sistem Besar • Membandingkan 2 kamera dengan spesifikasi
Tim Yang Dibangun Megapixel berbeda untuk proses pengambilan citra
Sandha Rineka Pengenalan Ukuran warna agar hasil yang di dapatkan optimal.
Putra Tomat Berdasarkan • Proses pengambilan citra tomat dilakukan dengan cara
(152013061) Citra Digital
Automated Sorting manual.
Gian Permana Penyeleksian Tomat System pada tomat • Proses pengambilan citra warna dari arah tampak atas
(152013054) Berdasarkan Tingkat objek tomat.
Kematangan dan • Proses pengambilan citra warna dilakukan dengan
Ukuran
memberikan pencahayaan yang tetap.
• Proses pengambilan citra warna dilakukan dengan
Fokus subsistem yang dibangun pada penelitian yang
memberikan latar solid berwarna hitam.
dilakukan yaitu mengenai subsistem pengenalan tingkat
kematangan tomat berdasarkan citra warna. • Proses pengambilan citra warna dilakukan dengan
meletakkan tomat diatas Belt Conveyor.
A. Rumusan Masalah
II. LANDASAN TEORI
Dalam rangka mengurangi permasalahan pada saat
memilih tomat yang telah matang dan tomat yang belum A. Ekstraksi Ciri
matang, perlu adanya suatu sistem yang mampu mengurangi Ekstraksi ciri merupakan proses pengideksan suatu
dampak keakurasian pemilihan tingkat kematangan tomat database citra dengan isinya secara matematik, setiap
berdasarkan warna tersebut secara otomatis[3]. Sistem yang ekstraksi ciri merupakan encode dari vektor n dimensi yang
dibangun menggunakan bantuan perangkat kamera. disebut dengan vektor ciri [6]. Komponen vektor ciri dihitung
Berdasarkan identifikasi yang ditetapkan maka muncul dengan pemrosesan citra dan teknik analisis serta digunakan
berbagai masalah yang akan ditemui sebagai berikut: untuk membandingkan citra yang satu dengan citra yang lain.
• Bagaimana cara melakukan tahapan pengolahan citra
warna terhadap citra tomat yang diambil oleh kamera B. Pemotongan Citra
pada belt conveyor secara bergerak. Pemotongan citra (cropping citra) merupakan cara
• Bagaimana cara melakukan klasifikasi terhadap citra mendapatkan area warna tomat tertentu yang diamati (area of
warna hasil tahapan image-processing kedalam interest), yang bertujuan untuk mempermudah penganalisaan
kategori matang dan belum matang. citra dan memperkecil ukuran penyimpangan citra [7].
• Bagaimana cara mengetahui kecepatan conveyor yang
optimal untuk mendapatkan informasi mengenai C. Ruang Warna H-S-V
kematangan buah berdasarkan citra warna. HSV mendefinisikan warna dalam terminologi Hue,
• Bagaimana cara mengetahui tingkat akurasi sistem Saturation dan Value. Keuntungan HSV adalah terdapat
tersebut untuk mendapatkan informasi mengenai warna-warna yang sama dengan yang ditangkap oleh indra
kematangan buah berdasarkan citra warna dengan manusia [8]. Sedangkan warna yang dibentuk model lain
perbandingan antara citra yang tidak bergerak dan citra seperti RGB merupakan hasil campuran dari warna-warna
yang bergerak. primer.
Ruang HSV memiliki 3 karakteristik pokok, yaitu Hue,
B. Tujuan Saturation dan Value dengan definisi sebagai berikut :
Pada sistem ini, terdapat penelitian dengan tujuan • Hue : Menyatakan warna sebenarnya, seperti merah,
melakukan pengukuran performa sistem pengklasifikasian violet, dan kuning dan digunakan menentukan
tomat berdasarkan citra warna untuk mengenali tingkat kemerahan (redness), kehijauan (greeness), dan
kematangan pada studi kasus pembangunan sistem pemilihan lainnya.
otomatis. • Saturation : Sering disebut chroma, adalah kemurnian
atau kekuatan warna.
C. Ruang Lingkup
• Value : Menyatakan kecerahan dari warna. Nilainya
Penelitian pada sistem pemilihan otomatis untuk berkisar antara 0-100 %. Apabila nilainya 0 maka
mengenali kematangan tomat berdasarkan citra warna warnanya akan menjadi hitam, semakin besar nilai
memiliki ruang lingkup sebagai berikut : maka semakin cerah dan muncul variasi-variasi baru
• Sistem akan mengklasifikasi tingkat kematangan tomat dari warna tersebut.
kedalam kategori matang atau belum matang Proses untuk mendapatkan nilai dari setiap warna yang
berdasarkan satu paramater yaitu citra warna dari ingin ditampilkan melalui proses perhitungan dengan
tomat yang akan melalui proses konversi ruang warna melakukan konversi ruang warna R-G-B (Red, Green, Blue)
HSV (Hue, Saturation, Value) dan Histogram. ke ruang warna H-S-V (Hue, Saturation, Value). Cara untuk
551
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 3 Desember 2017
mendapatkan setiap nilai H-S-V yang terdefinisi dengan Rumus 5 yang akan ditunjukkan adalah rumus untuk
rumus yang ditunjukkan pada Rumus 1 sampai Rumus 6, mendapatkan nilai saturation parameter ruang warna HSV
berikut. dari hasil konversi tiga parameter ruang warna RGB yang
Rumus 1 yang akan ditunjukkan adalah rumus untuk akan dimasukkan kedalam variabel S.
mencari nilai maksimum dari tiga parameter ruang warna
RGB yang akan dimasukkan kedalam variabel maks.
S=0 , Jika V=0
𝑚𝑎𝑘𝑠−𝑚𝑖𝑛
S= ×100 , Jika V>0
𝑚𝑎𝑘𝑠
maks = MAX(R,G,B)
......................................... (1) ................... (5)
dimana : dimana :
MAX adalah fungsi untuk mencari nilai maksimum dari maks adalah nilai hasil dari fungsi MAX(R,G,B)
beberapa angka min adalah nilai hasil dari fungsi MIN(R,G,B)
R adalah nilai warna merah V adalah nilai warna Value
G adalah nilai warna hijau
B adalah nilai warna biru Rumus 6 yang akan ditunjukkan adalah rumus untuk
mendapatkan nilai hue parameter ruang warna HSV dari hasil
Rumus 2 yang akan ditunjukkan adalah rumus untuk konversi tiga parameter ruang warna RGB yang akan
mencari nilai minimum dari tiga parameter ruang warna RGB dimasukkan kedalam variabel H.
yang akan dimasukkan kedalam variabel min.
H=0 , Jika S=0
𝐺−𝐵
min = MIN(R,G,B) H=60× , Jika maks =R
𝑑𝑒𝑙𝑡𝑎
......................................... (2) 𝐵−𝑅
H=60× (2 + ) , Jika maks =G
𝑑𝑒𝑙𝑡𝑎
𝑅−𝐺
dimana : H=60× (4 + ) , Jika maks =B
𝑑𝑒𝑙𝑡𝑎
MIN adalah fungsi untuk mencari nilai minimum dari Jika H < 0, maka H=H+360
beberapa angka .............. (6)
R adalah nilai warna merah
G adalah nilai warna hijau dimana :
B adalah nilai warna biru maks adalah nilai hasil dari fungsi MAX(R,G,B)
delta adalah nilai selisih antara maks dan min
Rumus 3 yang akan ditunjukkan adalah rumus untuk S adalah nilai warna Saturation
mencari selisih nilai maksimum dan nilai minimum dari tiga R adalah nilai warna merah
parameter ruang warna RGB yang akan dimasukkan kedalam G adalah nilai warna hijau
variabel min. B adalah nilai warna biru
552
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
memperoleh penyebaran histogram yang merata sehingga Berdasarkan definisi tersebut, terbentuklah langkah-
setiap derajat keabuan memiliki jumlah piksel yang relatif langkah dalam penyelesaian algoritma LVQ. Langkah –
sama. langkah tersebut sebagai berikut :
1) Inisialisasi : bobot awal variabel input ke-j menuju kelas
E. Learning Vector Quantization ke-i (W), maksimum epoch (MaxEpoch), error
Learning Vector Quantization (LVQ) merupakan suatu mínimum yang diharapkan (Eps), Learning rate (∝).
metode untuk melakukan pelatihan terhadap lapisan – lapisan 2) Masukkan :
kompetitif yang terawasi. Lapisan – lapisan kompetitif akan a) Data Input : x(m,n); dengan i=1,2, .... ,n dan j=1,2,
belajar secara otomatis untuk melakukan klasifikasi terhadap .....,m
vector input yang diberikan [10]. Apabila vector input b) Target berupa kelas : T(1,n); dengan k=1,2, .....,n
memiliki jarak yang sangat berdekatan, maka vektor – vektor 3) Inisialisasi kondisi awal:
input tersebut akan dikelompokkan dalam kelas yang sama. c) Epoch = 0
Contoh arsitektur LVQ terdapat notasi X1 ... Xn yang d) Err = 1
menunjukkan sebagai nilai vektor input, sedangkan notasi X 4) Kerjakan jika: (epoch < MaxEpoch), nilai error
- W1 ... X - Wk menunjukkan sebagai perhitungan nilai jarak minimum tercapai atau nilai error=0 dan (α > Eps)
dari nilai vektor input dan vektor bobot seperti terlihat pada e) Epoch = Epoch+1;
Gambar 1. f) Kerjakan untuk i = 1 sampai n
• Tentukan Jarak sedemikian hingga || xij-wij ||
minimum (sebut sebagai Cj)
• Perbaiki Wj dengan ketentuan:
i. Jika T = Cj maka: Wij(baru) = wij(lama)
+ α (xij-wij(lama)) (3.29)
ii. Jika T ≠ Cj maka: Wij(baru) = wij(lama)
- α (xij-wij(lama)) (3.30)
553
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 3 Desember 2017
1 HTML {#669E39}
HSV {93,64,62}
2 HTML {#80852E}
HSV {63,65,52}
3 HTML {#BB7D45}
HSV {28,63,63}
HTML {#D76A3E}
HSV {17,71,84} 4
HTML {#D43734}
HSV {1,75,83} 5
HTML {#D72A30} 6
HSV {358,80,84}
554
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
555
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 3 Desember 2017
Perancangan yang kedua menunjukkan perancangan alat Pada Gambar 5, Kamera webcam diletakan sejajar
antara Belt Conveyor dengan Kamera yang ditunjukkan pada vertikal diatas terhadap Belt Conveyor. Hal ini dilakukan agar
Gambar 5 untuk membantu melakukan pemrosesan sistem. jangkauan Kamera Webcam dapat menangkap seluruh area
Belt Conveyor untuk diletakkan nya tomat.
D. Perancangan Software
Melakukan perancangan program secara garis besar
program dibuat menggunakan bahasa pemrograman Java dan
Library OpenCV yang terdiri dari training dengan
menggunakan metode LVQ untuk melakukan proses insert
bobot akhir ke database MySQL dan mapping dengan
menggunakan metode LVQ untuk melakukan proses select
bobot akhir dari database MySQL .
Proses training (pelatihan) merupakan proses yang
dilakukan untuk mendapatkan hasil kuantisasi citra atau
pengolahan citra yang telah terbimbing berupa suatu nilai
menggunakan metode Learning Vector Quantization (LVQ)
dan disimpan pada database.
Proses mapping (pengujian) merupakan proses yang
dilakukan untuk mendapatkan hasil klasifikasi tingkat
kematangan menggunakan metode Learning Vector
Quantization (LVQ) dengan mengambil nilai bobot yang
tersimpan pada database.
Skema dari sistem untuk mengenali tingkat kematangan
tomat berdasarkan citra warna untuk melakukan proses
training (pelatihan) dan mapping (pengujian) akan
Gambar 5. Perancangan Alat ditunjukkan pada Gambar 6,
556
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
Berdasarkan Gambar 6, digambarkan mengenai skema penelitian yang dilakukan yaitu mengenai subsistem
dari sistem pengenalan tingkat kematangan buah tomat pengenalan tingkat kematangan tomat berdasarkan citra
berdasarkan citra warna yang dibangun dengan penjelasan warna. Pada subsistem ini terdapat dua kegiatan utama
sebagai berikut : diantaranya tahap pre-processing dan tahap implementasi
1) Melakukan perancangan terhadap sistem yang dibuat. sistem dengan menggunakan metode Learning Vector
2) Menuliskan source code yang dapat memproses Quantization (LVQ). Pada Gambar 7, akan ditunjukkan
sistem pengengenalan tingkat kematangan buah algoritma sistem yang direpresentasikan dengan flowchart.
tomat berdasarkan citra warna kedalam kategori
matang atau belum matang.
3) Melakukan pengambilan citra warna menggunakan
kamera untuk diproses pada tahap pelatihan
selanjutnya.
4) Citra warna diambil dan dilakukan proses pelatihan
5) Pemrosesan citra warna tersebut akan melewati
tahapan pre-processing dengan melakukan konversi
ruang warna H-S-V dan pembuatan histogram yang
sebelumnya melewati tahapan image cropping
terlebih dahulu.
6) Nilai yang didapat dari pembuatan histogram akan
melewati perhitungan jarak antara kedua titik dengan
menggunakan rumus euclidean distance. Jarak
tersebut merupakan parameter yang
diimplementasikan terhadap metode Learning Vector
Quantization (LVQ).
7) Proses implementasi metode Learning Vector
Quantization (LVQ) tersebut akan menghasilkan
bobot nilai yang memisahkan clustering terhadap 2
kategori yaitu matang dan belum matang.
8) Bobot nilai yang telah didapatkan akan disimpan
kedalam database pelatihan.
9) Melakukan pengambilan citra warna menggunakan
kamera untuk di proses pada tahap pengujian
selanjutnya.
10) Citra warna diambil dan dilakukan proses pengujian
11) Pemrosesan citra warna tersebut akan melewati
tahapan pre-processing dengan melakukan konversi
ruang warna H-S-V dan pembuatan histogram yang
sebelumnya melewati tahapan image cropping Gambar 7. Flowchart
terlebih dahulu. Nilai yang didapat dari pembuatan
histogram akan melewati perhitungan jarak antara Berdasarkan Gambar 7, digambarkan mengenai cara
kedua titik dengan menggunakan rumus euclidean penelitian yang dilakukan terhadap sistem pengenalan tingkat
distance. Jarak tersebut merupakan parameter yang kematangan tomat berdasarkan citra warna yang
akan digunakan saat klasifikasi dengan menghasilkan keluaran klasifikasi berdasarkan 2 kelas yang
mengimplementasikan metode Learning Vector telah ditentukan yaitu matang atau belum matang.
Quantization (LVQ). Selanjutnya, akan jelaskan secara lengkap tahapan alur dari
12) Proses pengambilan nilai data latih pada database. sistem yang telah dibuat.
13) Proses terakhir adalah melakukan penyesuaian nilai
warna dari proses – proses yang telah dilakukan o Akuisisi Citra Tomat
sebelumnya antara nilai hasil pelatihan dengan nilai
hasil pengujian. Penyesuaian tersebut akan
menghasilkan buah tomat yang diuji akan masuk
kedalam kategori matang atau belum matang.
E. Algoritma Sistem
Dari tiga subsistem yang berjalan pada sistem pemilih
otomatis tomat, salah satu yang menjadi fokus pada Gambar 8. Akuisisi Citra Tomat
557
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 3 Desember 2017
Berdasarkan Gambar 9, ditunjukkan proses melakukan Berdasarkan Gambar 11, ditunjukkan proses melakukan
pemotongan citra untuk mendapatkan area citra tertentu yang pembuatan histogram HSV untuk menempatkan titik warna
akan diamati.
warna hasil konversi RGB ke HSV.
o Konversi Ruang Warna H-S-V
IV. HASIL DAN PEMBAHASAN
Berdasarkan perancangan yang telah dibuat, didapatkan
sebuah subsistem yang terdiri dari perangkat keras dan
perangkat lunak untuk melakukan pengenalan tingkat
kematangan tomat berdasarkan citra warna pada sistem
pemilihan otomatis. Perangkat keras yang dibangun berupa
rangkaian yang terdiri dari beberapa komponen yang sesuai
Gambar 10. Konversi Ruang Warna H-S-V dengan yang digambarkan pada Gambar 4 dan Gambar 5
mengenai perancangan perangkat keras subsistem. Selain
perangkat keras, dibangun pula perangkat lunak dari
Berdasarkan Gambar 10, ditunjukkan proses melakukan subsistem untuk mengenali tingkat kematangan tomat
konversi HSV untuk mendapatkan warna yang sesuai dengan berdasarkan citra warna yang dapat dilihat pada Gambar 12
warna yang ditangkap oleh penginderaan manusia. dan Gambar 13.
558
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
559
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 3 Desember 2017
TABEL IIII
DATA UJI TOMAT STATIS
Belum Belum
2. 2797,4 3626,8 12MP 0 Cocok
Matang Matang
Belum Belum
3. 2175,8 3754,8 12MP 0 Cocok
Matang Matang
Belum Belum
4. 2776,8 3407,2 12MP 0 Cocok
Matang Matang
Belum Belum
8. 2618,4 4068,5 12MP 0 Cocok
Matang Matang
Belum
11. 3637,3 3261,9 12MP 1 Matang Tidak Cocok
Matang
Belum
12. 3759,9 3527,2 12MP 1 Matang Tidak Cocok
Matang
...
Pada Tabel III, menunjukkan pengujian pada tahap matang secara statis (tidak bergerak). Selanjutnya, akan
mapping (klasifikasi) untuk mendapatkan informasi tingkat ditunjukkan pengujian pada tahap mapping (klasifikasi) pada
kematangan tomat kedalam kategori matang dan belum Tabel IV.
560
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
TABEL IIIV
DATA UJI TOMAT BELT CONVEYOR
Belum
5 12MP 1736,4 3544,7 8,51 Belum Matang Cocok
Matang
Belum
6 12MP 2316,7 4211,5 7,56 Belum Matang Cocok
Matang
Belum
7 12MP 2454,2 3430,3 8,69 Belum Matang Cocok
Matang
Belum
8 12MP 2144,7 3417,3 6,32 Belum Matang Cocok
Matang
Belum
13 12MP 2446,1 2946,1 5,73 Belum Matang Cocok
Matang
561
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 3 Desember 2017
Belum
14 12MP 2966,6 3252,6 3,56 Belum Matang Cocok
Matang
Belum
15 12MP 3006,8 3585,5 4,89 Belum Matang Cocok
Matang
Belum
16 12MP 2952,1 3827,1 5,32 Belum Matang Cocok
Matang
...
Pada Tabel IV, menunjukkan pengujian pada tahap • Perbandingan akurasi sistem dalam menentukkan
mapping (klasifikasi) untuk mendapatkan informasi tingkat keberhasilan pengenalan tomat dalam kelas matang
kematangan tomat berdasarkan citra warna kedalam kategori dan kelas belum matang.
matang atau belum matang yang dilakukan pada citra tomat • Perbandingan akurasi sistem berdasarkan rata – rata
yang diletakkan pada Belt Conveyor (bergerak). waktu sistem untuk memproses dengan mengatur
kecepatan conveyor.
Hasil pengukuran akurasi dilakukan untuk mengetahui • Perbandingan kecepatan conveyor yang paling optimal
kinerja dari sistem pengenalan tingkat kematangan tomat untuk melakukan pemrosesan citra tomat.
berdasarkan citra warna yang telah dibuat. Pengukuran • Akurasi sistem secara keseluruhan.
tersebut dilihat dari beberapa aspek parameter diantaranya
yaitu : Berdasarkan pada Tabel III dan Tabel IV yang telah
• Perbandingan akurasi antara citra tomat yang diambil ditunjukkan, maka dapat dilakukan analisis perbandingan
dalam posisi tidak bergerak dan bergerak. akurasi sistem pengenalan tingkat kematangan tomat
• Perbandingan akurasi sistem dengan menggunakan berdasarkan citra warna. Untuk menghitung tingkat akurasi
kamera 12MP dan 5 MP.
562
e-ISSN : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi
Volume 3 Nomor 3 Desember 2017
pengujian tersebut dengan menggunakan Rumus 8. Adapun - Pengambilan Citra Secara Statis
analisis perbandingan akurasi ditunjukkan pada Tabel V.
67
𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝑆𝑖𝑠𝑡𝑒𝑚 = × 100% = 83,75%
80
𝐷𝑎𝑡𝑎 𝐵𝑒𝑟ℎ𝑎𝑠𝑖𝑙
𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100%
𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑎𝑡𝑎
Data Berhasil
Jumlah Data
Citra Tomat (Conveyor) 48 40 83,33%
Perbandingan akurasi sistem dengan menggunakan Kategori Rata-
Aspek Tingkat
kamera 12MP dan 5 MP Kecepatan Rata
Pembanding Akurasi
Belt Waktu
Jumlah Data Tingkat
Aspek Pembanding
Data Berhasil Akurasi
Kamera 12MP (Statis) 40 38 95,00% Lambat 7,694s 8 8 100,00%
Kamera
Kamera 5MP (Statis) 40 29 72,50% Sedang 5,009s 8 8 100,00%
12MP
Kamera 12MP (Conveyor) 24 23 95,83% Cepat 2,025s 8 7 87,50%
Kamera 5MP (Conveyor) 24 17 70,83% Lambat 7,874s 8 8 100,00%
Kamera
Perbandingan Akurasi Sistem Dalam Menentukkan Sedang 4,999s 8 5 62,50%
5MP
Keberhasilan Pengenalan Tomat Dalam Kelas Matang Cepat 1,904s 8 4 50,00%
Dan Kelas Belum Matang
Aspek Pembanding Jumlah Data Tingkat Berdasarkan Tabel VI, perbandingan tersebut didapatkan
Data Berhasil Akurasi
waktu terbaik untuk melakukan pemrosesan citra
Kamera 12MP Berkategori
Matang (Statis)
26 26 100,00% berdasarkan jarak lintasan yaitu 55cm. Waktu terbaik pada
Kamera 12MP Berkategori kamera 12MP adalah 5,009s dan pada kamera 5MP adalah
14 12 85,71% 7,874s. Dari waktu pemrosesan tersebut dicari kecepatan belt
Belum Matang (Statis)
Kamera 5MP Berkategori conveyor paling optimal dengan menggunakan Rumus 9.
26 20 76,92%
Matang (Statis)
Kamera 5MP Berkategori 𝑆
14 9 64,29% 𝑉=
Belum Matang (Statis) 𝑡
Kamera 12MP Berkategori .................................................. (9)
12 11 91,67%
Matang (Conveyor) dimana :
Kamera 12MP Berkategori
12 12 100,00%
V adalah kecepatan optimal belt conveyor
Belum Matang (Conveyor) S adalah jarak yang ditempuh untuk pemrosesan citra
Kamera 5MP Berkategori t adalah selang waktu rata – rata untuk pemrosesan citra
12 4 50,00%
Matang (Conveyor)
Kamera 5MP Berkategori Maka kecepatan optimal belt conveyor untuk melakukan
12 12 91,67%
Belum Matang (Conveyor) pemrosesan citra dengan jarak 55 cm berdasarkan :
▪ Kamera 12MP: Waktu rata-rata yang didapatkan
Pada Tabel V menunjukkan hasil pengukuran akurasi dari 5,009s
sistem pengenalan tingkat kematangan tomat dengan (55𝑐𝑚/100)
𝑉= = 0,109𝑚/𝑠
beberapa aspek pembanding. Berdasarkan perbandingan 5.009𝑠
yang telah dilakukan, maka didapatkan tingkat akurasi sistem ▪ Kamera 5MP: Waktu rata-rata yang didapatkan
secara keseluruhan menggunakan metode Learning Vector 7,874s
Quantization dengan prosentasi sebagai berikut : (55𝑐𝑚/100)
𝑉= = 0,069𝑚/𝑠
7,874𝑠
563
Jurnal Teknik Informatika dan Sistem Informasi e-ISSN : 2443-2229
Volume 3 Nomor 3 Desember 2017
564